知乎爬虫之4:抓取页面数据
git爬虫项目地址( 终于上传代码了~~~~关注和star在哪里):https://github.com/MatrixSeven/ZhihuSpider（已完结）
附赠之前爬取的数据一份(mysql): 链接:https://github.com/MatrixSeven/ZhihuSpider/README.MD 只下载不点赞，不star，差评差评~蓝瘦香菇）
本文由博主原创,转载请注明出处：知乎爬虫之4:抓取页面数据
咱们上一篇分析了知乎的登陆请求和如何拿到粉丝/关注的请求，那么咱们这篇就来研究下如何拿利用Jsoup到咱们想要的数据。
那么咱们说下，首先请求关注者和粉丝者是pcweb版本的，但是获取页面的是手机页面的。
好，正题:
1.什么是Jsoup
jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。
2. HttpClient请求模拟
HttpClient 是 Apache Jakarta Common 下的子项目，可以用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，并且它支持 HTTP 协议最新的版本和建议。
3.走起页面
首先模拟手机浏览器的UA。就是让咱们打开的页面返回的是移动端的页面效果，那么最应该怎么怎么做呢？其实服务器判定你是ie还是chrome还是firefox是根据请求头里面的UA实现的，因此咱们要找一个手机浏览器的UA。。
咱们可以某度一下或者直接在浏览器里面直接f12,模拟移动端，然后看请求参数：
User-Agent:Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36
妥妥的没问题：
那咱们如何将这句体现到程序里面呢？
简单，在咱们拿到get对象后直接设置：
httpGet.setHeader("User-Agent", "Mozilla/5.0
(Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36
(KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36");
就ok了，然后咱们就可以用jsoup来拿咱们想要的元素了，jsoup的语法和jq如出一辙。
咱们直接对着页面，右击咱们想要的元素，选择审查元素，然后用jq的选择器选出来就好了。
可以参考jQuery 选择器
4.拿到关注者
直接get咱们之前分析的请求地址
https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&
include=data%5B%2A%5D.employments%2Ccover_url%2Callow_message%2Canswer_coun
t%2Carticles_count%2Cfavorite_count%2Cfollower_count%2Cgender%2Cis_followe
d%2Cmessage_thread_token%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer
%29%5D.topics&limit=10&offset=30
不过要记得替换用户名字和在请求头里加入cookie的最后一段zc_0
然后请求数据返回的是json
{
"paging": {
"is_end": false,
"next": "https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&include=data%5B%2A%5D.answer_count%2Carticles_count%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=10&offset=20",
"previous": "https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&include=data%5B%2A%5D.answer_count%2Carticles_count%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=10&offset=0",
"is_start": false,
"totals": 398
},
"data": [
{
"is_followed": true,
"avatar_url_template": "https://pic1.zhimg.com/da8e974dc_{size}.jpg",
"name": "陈晓峰",
"url": "",
"type": "people",
"user_type": "people",
"answer_count": 0,
"url_token": "chen-xiao-feng-84",
"headline": "阿里巴巴，分布式数据库，",
"avatar_url": "https://pic1.zhimg.com/da8e974dc_is.jpg",
"is_following": false,
"is_org": false,
"follower_count": 14,
"badge": [],
"id": "ff02ea0544901a9ddfcb7ba60c73b673",
"articles_count": 0
}
]
}
这个数据包括了下次请求地址，上次请求地址，时候是开始，时候是结束，共有多少粉丝，关注人基本信息，
因此咱们可以在一个while里来获得所有粉丝数：
流程：
- 第一次获取数据
- 获取is_end字段
- 判断is_end时候为true
- 根据is_end判断是否继续循环
- 如果循环，更新is_end，更新下次请求连接
一套下来，就能拿到一个用户的所有粉丝了。
